基于卷积神经网络的学术论文图像检测与对比研究及应用.pdfVIP

目录

摘要I

AbstractIII

第一章绪论1

1.1研究背景与意义1

1.2国内外研究现状2

1.2.1基于卷积神经网络的目标检测算法2

1.2.2基于度量学习的图像对比算法5

1.3论文的主要工作7

1.4论文组织结构8

第二章相关理论及方法介绍10

2.1特征提取网络架构10

2.1.1经典卷积神经网络10

2.1.2进阶卷积神经网络12

2.2特征融合网络架构14

2.2.1特征金字塔14

2.2.2多层特征融合金字塔网络15

2.3回归损失18

2.3.1交并比损失18

2.3.2广义重叠损失19

2.4本章小结21

第三章基于多尺度特征融合的学术图像检测模型22

3.1模型整体架构及符号定义22

3.1.1模型整体架构22

3.1.2符号定义22

3.2基于路径增强的自适应池化特征金字塔网络23

3.3学术论文检测损失25

3.4数据集：Paper_img26

3.5实验结果及分析28

3.5.1参数设置28

3.5.2实验结果及分析28

3.6本章小结32

第四章基于全局特征和局部特征统一的图像对比模型34

4.1模型整体架构及符号定义34

4.1.1模型整体架构34

4.1.2符号定义35

4.2基于卷积神经网络的全局特征提取与损失设计36

4.2.1全局特征提取36

4.2.2全局特征损失函数设计36

4.3基于卷积神经网络的局部特征提取与损失设计37

4.3.1局部特征提取37

4.3.2局部特征损失函数设计38

4.4实验结果分析39

4.4.1参数设置39

4.4.2实验结果及分析39

4.5本章小结41

第五章学术论文图像检测系统的设计和实现43

5.1引言43

5.2系统设计43

5.3具体实现44

5.4本章小结47

第六章总结与展望48

6.1总结48

6.2展望49

参考文献50

攻读硕士期间的研究成果56

致谢58

摘要

学术论文（以下简称论文）作为衡量一个研究人员及科研能力的重要依据，论文已

成为众多高校及用人单位的重要参考标准。当前的论文查重系统，如知网、万方等资料

库对论文查重时主要对文本进行检测，对于图像内容检测目前尚未涉及。因此，如何有

效地检测论文中图像内容成为当前亟待解决的问题。

为有效检测论文中图像内容，研究人员提出了若干关于传统目标检测算法以及基于

深度学习的目标检测算法（一阶段算法和二阶段算法）。为提高目标检测性能，研究人员

又提出了很多优化方法，如提取特征的过程用FPN（FeaturePyramidNetwork）进行改进

以提高特征提取的精确性，回归的过程采用GIoUloss等改进方法来增加回归的速度和准

确率。为进一步提高图像相似度性能，研究人员们提出了孪生神经网络、生成对抗神经

网络等。目前，研究人员从精度及速度方面对检测算法进行优化，但仍存在语义理解不

充分、局部特征匹配不准确等缺陷。

本文